Искусственный интеллект. С неба на землю

Ко-пилоты, ИИ-агенты и мультиагентные системы

Ещё одно направление, вокруг которого много шума, — ко-пилоты, ИИ-агенты и мультиагентные системы.

— ИИ-ассистент — обычный чат-бот или сервис, который работает по вашему запросу и лишь даёт рекомендации.

— Ко-пилот — решение, автоматизирующее отдельные задачи под надзором человека: человек диктует, что нужно, а ИИ пишет код или делает презентацию.

— ИИ-агент — ИИ, который работает автономно и сам взаимодействует с другими ИТ-решениями или промышленным оборудованием. Это расширение возможностей принятия решений и взаимодействия с внешней средой.

Как отличить агента от того, что им называют. Определение из китайского документа по агентам — я разбираю его чуть ниже, в разделе о полномочиях, — точнее большинства маркетинговых: интеллектуальный агент это система, обладающая способностями автономного восприятия, памяти, принятия решений, взаимодействия и исполнения. Пять способностей. Оговорюсь сразу: требования «все пять обязательны» в самом документе нет, это моя трактовка определения. Но как фильтр в разговоре с поставщиком она работает.

— Нет памяти между сессиями — перед вами чат-бот с подключёнными инструментами.

— Нет исполнения — аналитическая надстройка.

— Нет автономного принятия решений — сценарный робот с ветвлениями.

Обратите внимание, где именно проходит граница внутри лестницы выше. Ассистент отсекается сразу: у него нет ни исполнения, ни памяти. А вот ко-пилот исполнение как раз имеет — он пишет код и собирает презентации. Не хватает ему ровно одной способности: решать самому. Именно она отделяет ко-пилота от агента, и именно она определяет, какие полномочия вы готовы ему выдать.

Например, чат-бот на портале банка спрашивает, что ищет клиент — информацию об оплате счетов, тарифах или увеличении кредитного лимита, — а затем через наводящие вопросы, собирая данные из документов и профиля, предлагает решение. Если не справляется известными методами, передаёт вопрос нужному сотруднику. Так же развивается и техподдержка ИТ-служб: консультация, а при отсутствии решения — автоматическое направление задачи нужному сотруднику со всей историей.

— Мультиагентные системы — то же, что агенты, но появляется сочетание ИИ-агентов, которые взаимодействуют между собой; вы их балансируете и устраняете «конфликты».

Как показывают исследования, проблемы в таких системах идентичны тем, что возникают при проектировании организации и взаимодействия людей. Нужно отработать ряд факторов:

— набор параметров и ресурсов, с которыми предстоит взаимодействовать;

— модель ролей и взаимодействия — кто, с кем, зачем и с какими возможностями взаимодействует;

— организационные правила — допустимые сочетания ролей внутри одного агента;

— организационная структура — топология и модель управления.

То есть, чтобы спроектировать мультиагентную систему, нужно научиться проектировать взаимодействие людей. Потенциал огромен, как и риски: последствия могут быть критическими.

Когда говорят об ИИ-агентах и мультиагентных системах, часто звучит красивый образ — «цифровой штат». Мол, можно нанять ИИ-агента, выдать ему виртуальную трудовую книжку, назначить KPI и даже премировать за результаты.

Пока это метафора. За ней стоит простая, но важная вещь — новый уровень автоматизации. ИИ значительно расширяет её возможности и отчасти упрощает её. Но выдать трудовую роботу сегодня невозможно — ни юридически, ни технически. При этом есть два фактора, которые делают метафору всё менее далёкой от реальности.

Во-первых, ИИ-агенты в сложных мультиагентных системах действительно начинают вести себя как люди в организациях: конкурируют за ресурсы, вступают в конфликты, их поведение нуждается в балансировке. Как мы обсудили, проектирование таких систем уже требует подходов, знакомых управленцам: ролевых моделей, правил взаимодействия, оргструктуры. Поэтому настройка KPI и «системы мотивации» для агентов — не фантазия, а задача, которая станет практической на горизонте двух-трёх лет (сам конфликт между агентами и потребность в арбитре — уже сегодняшняя задача, кейс в Главе 8). Просто «мотивация» здесь выражается не в премиях, а в приоритетах, лимитах ресурсов, расширении доступа и правилах эскалации.

Во-вторых, тема уже привлекает внимание законодателей. Подробнее о регулировании — в седьмой главе, но упомяну здесь: в ряде стран обсуждают идею социальных отчислений за использование физических роботов — по аналогии с тем, как работодатели платят за сотрудников в пенсионный фонд и фонд социального страхования. Пока это дискуссии, но сам факт говорит о том, что граница между «инструментом» и «цифровым работником» постепенно размывается.

Теперь поделюсь классификацией ИИ, которую увидел в ИИ-кластере в Пекине (технопарк Чжунгуаньцунь, Zhongguancun). Там делят ИИ на пять уровней:

— L1 — чат-боты и ассистенты, например отвечающие по базам знаний;

— L2 — рассуждающие модели, ищущие сложные решения неоднозначных вопросов с помощью логики;

— L3 — агенты, способные роботизировать процесс и заменить человека в типовой задаче (в середине 2025 года даже лучшие агенты справляются с типовыми задачами без ошибок лишь в 24% случаев; к 2026-му показатели подросли, но до «автопилота» по-прежнему далеко);

— L4 — новаторы, способные к анализу и созданию нового;

— L5 — организованный ИИ, объединяющий несколько моделей для решения нетиповых и сложных задач (мультиагентные системы);

— и отдельно, за пределами шкалы, — сильный/общий ИИ, способный заменить человека и решать междисциплинарные задачи.

Но это общее видение. В реальности в 2026 году агенты уровня L3 вышли в массовые пилоты — но до надёжности им далеко: даже L2 местами работает со сбоями, а в компаниях с их бюрократической инерцией всё ещё идёт базовое освоение L1.

Отдельно остановлюсь на вопросе: будет ли у ИИ-агентов «карьерный рост»? Раз уж мы смотрим на классификацию уровней, логично спросить: может ли агент со временем «дорасти» от L1-ассистента до L3-агента и выше — получить доступ к более сложным задачам и большей автономии? Если коротко — да, но этот рост зависит не только от технологий. Он определяется тремя направлениями одновременно.

— Первое — развитие моделей. Модели становятся умнее, быстрее и дешевле. Каждый год появляется выбор: использовать более эффективные модели для тех же задач или доверять системам задачи большей сложности. По сути, это движение от L1 к L5 из пекинской классификации.

— Второе — зрелость бизнеса и людей. От того, насколько понятны процессы и качественны и доступны данные, зависит, какие задачи можно делегировать агентам. Если в процессах хаос — и ИИ будет работать хаотично. С ростом автономии растут и риски: нужны чёткие правила, границы и люди, умеющие взаимодействовать с этими системами. Важный нюанс: делегирование задач ИИ требует от руководителя не столько эмоционального интеллекта (он доминирует сегодня, ведь работа идёт с людьми), сколько логики, умения чётко формулировать задачи и выстраивать процессы. Это другой навык, и мы ещё вернёмся к нему в главе о компетенциях.

— Третье — готовность к риску. Чем больше автономии у агента, тем выше ставки. Эти риски нужно уметь оценивать и минимизировать, иначе «повышение» агента до более сложных задач будет опасным, а не полезным.

Таким образом, «карьерный рост» ИИ-агентов — это не вопрос одних технологий, а одновременное развитие по трём направлениям: технологии, зрелость бизнеса и людей, готовность к риску. И именно зрелость бизнеса и людей чаще всего становится узким местом.

И ещё одна вещь, которую стоит понимать про агентов, — почему они спотыкаются там, где человек проходит не задумываясь.

Арифметика длинных цепочек. Представьте, что агент выполняет сто шагов подряд и на каждом ошибается лишь в одном случае из ста. Точность 99% — отличный показатель, если смотреть на один шаг. А теперь посчитаем всю цепочку: вероятность пройти её без единой ошибки — около 37%. То есть две попытки из трёх сорвутся где-то посередине. Поднимем точность до 99,9% — до конца дойдут девять задач из десяти. Уроним до 95% — до финиша доберётся меньше одной задачи из ста.

Отсюда понятно, почему компании массово возвращают агентов «на доработку» после пилота: на демонстрации агент проходил пять шагов, а в реальном процессе их пятьдесят. И почему уровни L4—L5 пока остаются экзотикой: чем длиннее автономный маршрут, тем меньше шансов дойти до конца без человека.

Кстати, теперь ясно, почему первой областью, где агенты действительно взлетели, стало программирование. Там всё цифровое, любое изменение можно откатить, а результат проверяется автоматически — тестами. Три условия, которых в большинстве бизнес-процессов просто нет.

Практический вывод простой: не давайте агенту длинный маршрут целиком. Разбивайте его на короткие отрезки с проверкой на стыках — ошибку на границе шага вы исправите за минуту, ошибку в конце придётся исправлять вместе со всей работой. Подробнее об этом — в главе о постановке задач.

Показательно, что эта логика дошла и до уровня государственной политики: в июле 2026 года власти Пекина выпустили пакет мер по развитию ИИ-агентов, где на первое место поставлена не «умность» моделей, а их способность доводить реальную задачу до конца. Формулировка звучит буднично, но за ней стоит именно та арифметика, которую мы только что посчитали.

Что агенту позволено решать

Лестница уровней отвечает на вопрос «как далеко агент уходит без человека». Но есть второй вопрос, и на практике он важнее: что агенту вообще позволено решать. Эти два вопроса постоянно смешивают, а оси разные — и риск живёт на второй.

Самую практичную рамку для второго вопроса я нашёл в неожиданном месте — в китайском регуляторном документе. 8 мая 2026 года три ведомства КНР — Управление по вопросам киберпространства, Госкомитет по развитию и реформам и Министерство промышленности и информатизации — выпустили «Мнения о реализации нормативного применения и инновационного развития интеллектуальных агентов» (智能体规范应用与创新发展实施意见), первый в стране документ, посвящённый целиком агентам. Полный текст опубликован на сайте Управления по вопросам киберпространства КНР. Механику регулирования оттуда переносить некуда: реестры, обязательные стандарты и отзыв продуктов с рынка опираются на административный ресурс, которого в другой стране может не быть. А одна конструкция работает в любой юрисдикции, потому что описывает свойства технологии, а не устройство государства.

Документ требует разделить полномочия агента на три категории.

— Решения, которые принимает только человек. Агент не совершает их ни при каких настройках.

— Решения, требующие подтверждения. Агент готовит, человек утверждает.

— Решения, которые агент принимает сам, — в пределах явно выданных полномочий.

Признак в правой колонке — рабочая подсказка на случай, когда действие не раскладывается по категориям с первой попытки.

Два условия к этой классификации важнее её самой. Первое: исполнение агента не выходит за пределы выданной авторизации. Второе: даже в третьей категории человек сохраняет право знать о действии и вмешаться. Разница между второй и третьей категориями — не в наличии человека, а в моменте: во второй он подтверждает до действия, в третьей может отменить после. Если это различие не провести явно, всё сползает во вторую категорию — и агент перестаёт экономить время, ради которого его заводили.

Звучит очевидно ровно до момента, когда вы попробуете разложить по этим категориям конкретный процесс. «Согласовать платёж до пятидесяти тысяч» — какая это категория? А «отправить письмо клиенту от вашего имени»? А «закрыть задачу в системе»? Упражнение занимает час и снимает большую часть будущих споров. Главное — оно проводится до внедрения, а не после первого инцидента.

Две оси, которые нельзя путать. Уровень автономности и объём полномочий — разные вещи, и смешивать их дорого.

— Уровни L1—L5 измеряют длину автономной цепочки: сколько шагов агент делает без человека.

— Три категории измеряют объём полномочий: что агенту позволено решать.

Компания на L2 — «у нас всего лишь ассистент» — может при этом дать агенту право менять обязательства перед клиентом. Это опаснее, чем L4 в режиме «только чтение». Сам по себе уровень автономности почти ничего не говорит о риске: риск задаётся полномочиями.

Две оси риска: уровень автономности и объём полномочий

Отсюда рабочий дефолт, который дёшев на старте и почти недостроим потом.

И правило поверх этой матрицы: агент не обращается к базе данных напрямую — только через программный слой, где перечисленные правила и живут.

И последнее из того же документа — четыре глагола, которые стоит спросить у любого поставщика: как система обнаруживает некорректное действие агента, как в него вмешивается, как блокирует и как восстанавливает состояние. Нет внятного ответа хотя бы по одному из четырёх — пилот преждевременен.

Из практики

Выбирая архитектуру своего продукта «Сокол», я сознательно остановился на уровне ко-пилота (хотя внутри мультиагентная архитектура), где автоматизация на уровне 70—90%, а не полностью автономного агента: ассистент готовит проекты решений, планы, письма, но подтверждает и конечное действие за человеком. Это управленческий выбор, а не техническое ограничение: цена ошибки в задачах руководителя высока, а доверие к инструменту строится через контролируемую автономию.

Резюме главы

— ИИ классифицируют по задачам (генеративный, классифицирующий, предиктивный) и по «силе» (слабый, сильный, суперсильный).

— Сильный ИИ — не вопрос ближайшего будущего: мешают данные, энергия, деградация и стоимость; реальный путь — слабые специализированные модели под управлением оркестратора.

— «Цифровой штат» пока метафора, но настройка KPI и правил для агентов станет практической задачей; «карьерный рост» агентов зависит от технологий, зрелости бизнеса и готовности к риску.

— Уровень автономности и объём полномочий — разные оси: раскладывайте действия агента на три категории (только человек / с подтверждением / автономно) до внедрения, а не после инцидента.

Что с этим делать: Не стройте планы на «скором AGI»; делайте ставку на специализированные модели, а для агентов закладывайте правила, лимиты ресурсов и эскалацию.

Вопрос для рефлексии: На каком уровне автономности — от ассистента до мультиагента — вы реально готовы эксплуатировать ИИ?

Глава 3. А что может слабый ИИ и общие тренды